基于SOFM自組織特征映射網(wǎng)絡(luò)的圖像語義分割與標(biāo)識.pdf

1、語義網(wǎng)絡(luò)無疑將成為網(wǎng)絡(luò)的下一個進(jìn)化階段，圖像的語義搜索是語義網(wǎng)絡(luò)構(gòu)建的一個重要方面，而圖像的語義分割與標(biāo)識又是實現(xiàn)圖像語義搜索的基礎(chǔ)。由于網(wǎng)絡(luò)上圖片的數(shù)量巨大，并且圖片的處理很耗時，因此，圖像語義分割與標(biāo)識的難度較大。目前在圖像的語義分割與標(biāo)識方面的研究很多，但是大多都只是針對特定領(lǐng)域的，而且在性能以及分割、標(biāo)識的準(zhǔn)確率上也還存在很大的不足。早期的圖像語義標(biāo)識系統(tǒng)大多數(shù)都是只針對整幅圖片進(jìn)行的，沒有將圖像分割和語義標(biāo)識相結(jié)合來考慮。這些

2、系統(tǒng)一般只對圖像的全局特征或是局部像素點特征的摘要進(jìn)行語義學(xué)習(xí)和預(yù)測，因此比較粗糙，對特征的學(xué)習(xí)不夠充分。也有少數(shù)系統(tǒng)是對像素點級別的特征進(jìn)行語義學(xué)習(xí)和預(yù)測的，這樣雖然可以確保特征的學(xué)習(xí)足夠充分，但是語義的預(yù)測過程很耗時。本文在對這些問題進(jìn)行了較為深入的研究、分析后，提出并構(gòu)建了一個基于SOFM自組織特征映射網(wǎng)絡(luò)的圖像語義分割及標(biāo)識系統(tǒng)。本文在圖像分割方面提出了基于SOFM(Self-Organizing Feature Map)自組織

3、特征映射網(wǎng)絡(luò)的圖像分割方法，該方法不僅克服了很多圖像分割算法的需要圖像分割數(shù)作為輸入?yún)?shù)的缺點，而且由于充分考慮了圖像的高斯、高斯—拉普拉斯、高斯一階導(dǎo)等多方位的17維特征使得圖片的分割效果很好。同時因為該算法結(jié)合使用了K-Means聚類算法所以運行效率也很高。另外，在圖像語義標(biāo)識方面，本文采用分開考慮圖像語義訓(xùn)練和語義預(yù)測的方法。語義訓(xùn)練階段采用基于像素點級別特征的充分學(xué)習(xí)辦法，而語義預(yù)測時采用選取圖像分割塊的代表點特征——分割塊中心